本项目 · 项目发布与研究
Copilot4D 登上 ICLR 2024
先将传感器观测编码为 token，再通过离散扩散预测未来的世界模型。
此处保留所引发布或研究材料的时间，不代表当前产品状态。
Waabi / 独立收录记录
Copilot4D
Copilot4D 是 Waabi 的自动驾驶世界模型研究。它先把传感器观察编码为 token，再用离散扩散预测未来，并把预测结果解码为点云。
技术资料
来源与原文 ↓能做什么，使用时要注意什么
输入与结果
- 提供什么
- BEV token 和自车动作。BEV 是俯视角表示；token 是模型处理的编码单元。
- 得到什么
- 由预测的 BEV token 解码得到的未来点云。点云是用三维空间中的点表示物体或场景的数据。
- 动作的作用
- 预测以动作为条件。
分类与用途
- 控制方式
- 驾驶动作
- 应用领域
- 自动驾驶
核心模型预测 BEV token，再解码为未来点云；两种标签分别对应核心预测与传感器模拟结果。
查看分类依据 ↓资料尚未确认
开放方式开源情况适用限制需要区分的对象已收录材料不足以判断，未确认不代表没有相应能力。
论文作者
以下为 Copilot4D 官方项目页列出的论文作者，不等同于 Waabi 的现任团队名单。
Lunjun Zhang论文作者
Yuwen Xiong论文作者
Ze Yang论文作者
Sergio Casas论文作者
Rui Hu论文作者
Raquel Urtasun论文作者
沿着公开资料继续了解
按事件时间展示已收录进展，非完整新闻列表。
来源与原文
按原始材料集中查阅；相同原句合并展示，对应资料与阅读日期一并保留。
Copilot4D · 项目原始材料
核对原文摘录 · 5 段，支持 5 项资料
原阅读方向
Use these BEV tokens to predict future BEV tokens with our world model auto-regressively, which leverages discrete diffusion.一句话认识
Consequently, we propose Copilot4D, a novel world modeling approach that first tokenizes sensor observations with VQVAE, then predicts the future via discrete diffusion.输入什么
With those BEV tokens as well as the SDV action at t, it performs k steps of discrete diffusion to obtain the BEV tokens representing the next frame, t.输出什么
Map the predicted futures from BEV tokens back to point clouds with the tokenizer decoder and differentiable neural depth rendering.动作是否影响预测
To make this possible, Copilot4D has the ability to be prompted with potential future actions, and thus it can be called a world model.分类依据
类型、控制方式与应用领域是本站根据所引材料归纳的检索标签。它们可以重叠，不表示能力验证；未知不表示不支持。
Copilot4D: Learning unsupervised world models for autonomous driving via discrete diffusion来源阅读于 2026-09-21 · 打开原始材料 ↗
Waabi · Company ↗
本站整理来源中的声明，不核查厂商声明真伪，不评价模型优劣。了解收录方式 →